高中数学概率分布列｜离散型随机变量期望课件

1前置知识回顾演讲人2026-06-12目录01.前置知识回顾02.离散型随机变量期望的核心概念03.离散型随机变量期望的核心性质04.常见离散型分布的期望公式05.期望的常考题型与解题规范06.核心内容总结高中数学概率分布列｜离散型随机变量期望课件同学们好，我是执教高中数学12年的李老师，今天我们要学习的离散型随机变量的期望，是高中概率模块的核心知识点，既是上节课离散型随机变量分布列的延伸，也是后续学习方差、统计决策的基础，在高考中通常会和分布列结合出一道12分左右的解答题，重要性不言而喻。在正式开始讲解之前，我先带大家回顾上节课的核心内容，做好新旧知识的衔接。01前置知识回顾ONE前置知识回顾我每次讲新知识前都会带大家做前置复习，就是因为概率模块的逻辑关联性极强，前面的知识点有漏洞，后面学起来必然事倍功半。1离散型随机变量的核心定义随机变量是用来量化随机试验结果的变量，若其所有可能的取值可以被一一列举出来，就属于离散型随机变量。我们生活中接触到的大部分随机事件的结果都可以用离散型随机变量表示：比如掷一枚骰子的点数、抽奖时的中奖金额、投篮10次的命中次数、班级某次考试的及格人数，都是典型的离散型随机变量。2离散型随机变量分布列的定义与性质如果我们把离散型随机变量X的所有可能取值记为$x_i(i=1,2,...,n)$，每个取值对应的发生概率记为$P(X=x_i)=p_i$，将二者一一对应罗列就构成了X的分布列。分布列有两个不可违背的核心性质：一是所有概率$p_i\geq0$，二是所有概率的和$\sum_{i=1}^{n}p_i=1$。我在去年的学情检测中发现，有近3成的同学算完分布列后不会主动验证概率和为1，导致取值漏算、概率算错的问题没有被及时发现，大家以后做这类题一定要养成先验证分布列合理性的习惯。02离散型随机变量期望的核心概念ONE离散型随机变量期望的核心概念我们掌握了分布列就可以完整描述一个离散型随机变量的取值规律，但很多时候我们需要一个更凝练的量化指标，来代表这个随机变量的平均取值水平，这就是我们今天要学习的期望。1实际情境导入我先给大家举一个我们年级上周刚结束的学科竞赛的例子：现在要从甲、乙两名选手中选一人参加市级比赛，两人过往100次参赛的得分分布如下：-甲的得分：80分（概率0.2）、90分（概率0.5）、100分（概率0.3）-乙的得分：85分（概率0.3）、90分（概率0.4）、95分（概率0.3）如果只看分布列，有同学会觉得甲有机会拿100分更有优势，也有同学觉得乙的得分波动更小更稳妥，但如果我们要找一个客观的指标衡量两人的平均得分水平，就需要用加权平均的思路计算：甲的平均得分是$80\times0.2+90\times0.5+100\times0.3=91$分，乙的平均得分是$85\times0.3+90\times0.4+95\times0.3=90$分，显然甲的平均得分更高，应该选甲参赛。我们刚才计算的这个加权平均结果，就是离散型随机变量的期望。2期望的严格数学定义对于离散型随机变量X，若其分布列为$P(X=x_i)=p_i(i=1,2,...,n)$，则X的期望（也叫数学期望）记为$E(X)$，计算公式为：$$E(X)=\sum_{i=1}^{n}x_ip_i$$这里我要特别强调，期望的本质是以概率为权重的加权平均，和我们平时算的算术平均有本质区别：算术平均的权重是每个取值出现的频率相等（均为$1/n$），只有当离散型随机变量所有取值的概率完全相等时，期望才等于算术平均，比如掷一枚均匀骰子，点数的期望是$(1+2+3+4+5+6)\times\frac{1}{6}=3.5$，刚好等于算术平均，但如果是不均匀的骰子，二者就不相等。3期望的实际意义期望描述的是随机变量取值的中心位置，是大量重复试验下随机变量观测值的平均水平的极限值。我经常给同学们举例子：你掷10次骰子，平均点数可能离3.5很远，但如果你掷10万次骰子，平均点数一定会非常接近3.5，这就是大数定律的直观体现，也是期望可以用来做决策的核心依据。要注意的是，期望不是“随机变量最可能出现的取值”，也不是“必然会出现的取值”，比如骰子点数的期望是3.5，但你不可能掷出3.5分，这个认知误区一定要规避。03离散型随机变量期望的核心性质ONE离散型随机变量期望的核心性质期望的性质是我们简化计算、规避复杂运算的核心工具，大家一定要在理解的基础上牢记。1基础性质1.1常数的期望等于其本身如果C是一个固定常数，那么$E(C)=C$。这个性质很好理解：如果一个随机变量永远只取C这一个值，那它的平均水平自然就是C本身。1基础性质1.2线性变换性质对于任意常数a和b，有$E(aX+b)=aE(X)+b$。我们可以用期望的定义直接推导：$aX+b$的取值为$ax_i+b$，对应概率仍然是$p_i$，所以$E(aX+b)=\sum_{i=1}^{n}(ax_i+b)p_i=a\sum_{i=1}^{n}x_ip_i+b\sum_{i=1}^{n}p_i=aE(X)+b$，这里用到了分布列的概率和为1的性质。我在这里要特别提醒一个高频易错点：这个性质只适用于线性变换，非线性变换不能直接套用，$E(X^2)\neq(E(X))^2$。我们还是用掷骰子的例子验证：$E(X)=3.5$，$(E(X))^2=12.25$，而$E(X^2)=1^2\times\frac{1}{6}+2^2\times\frac{1}{6}+...+6^2\times\frac{1}{6}\approx15.17$，二者明显不相等，我之前的班级里有42%的同学首次接触这个知识点时都会犯这个错误，大家一定要记牢。2多随机变量的期望性质2.1和的期望性质对于任意两个随机变量X和Y，无论二者是否独立，都有$E(X+Y)=E(X)+E(Y)$，这个性质可以推广到任意n个随机变量的和：$E(X_1+X_2+...+X_n)=E(X_1)+E(X_2)+...+E(X_n)$。2多随机变量的期望性质2.2积的期望性质只有当两个随机变量X和Y相互独立时，才有$E(XY)=E(X)E(Y)$，如果二者不独立，这个性质不成立。我们还是用反例验证：如果$Y=X$，显然X和Y完全不独立，$E(XY)=E(X^2)\approx15.17$，而$E(X)E(Y)=12.25$，二者并不相等。04常见离散型分布的期望公式ONE常见离散型分布的期望公式我们高中阶段接触的四类典型离散型分布，都有现成的期望公式，大家可以直接套用，也可以用上面的性质自行推导，避免死记硬背。1两点分布（0-1分布）若X服从两点分布，即$P(X=1)=p$，$P(X=0)=1-p$，则$E(X)=p$。比如投篮一次命中概率为0.7，命中次数的期望就是0.7。2二项分布若X服从参数为n、p的二项分布，记为$X\simB(n,p)$，表示n次独立重复试验中成功的次数，则$E(X)=np$。我们可以用和的期望性质推导：把X拆成n个独立的两点分布变量的和，每个变量表示单次试验是否成功，期望为p，加起来总期望就是np，完全不用复杂的组合数求和。3超几何分布若X服从参数为N、M、n的超几何分布，记为$X\simH(N,M,n)$，表示从N个含有M个次品的产品中不放回抽取n个，抽到的次品数，则$E(X)=\frac{nM}{N}$。这个公式同样可以用拆分法推导：每个产品被抽到的概率是$\frac{n}{N}$，每个产品是次品的概率是$\frac{M}{N}$，所以总期望就是二者的乘积。4几何分布若X服从参数为p的几何分布，表示首次成功时的试验次数，即$P(X=k)=(1-p)^{k-1}p$，则$E(X)=\frac{1}{p}$。比如抽奖的中奖概率为0.1，那么首次中奖需要的抽奖次数的期望就是10次。05期望的常考题型与解题规范ONE期望的常考题型与解题规范高考中期望的考点非常固定，只要掌握了规范的解题步骤，这部分的分数很容易拿满。1常规解题步骤1我给大家总结了三步解题法，只要严格按照步骤走，基本不会出错：21.第一步：确定随机变量的所有可能取值，逐一罗列，不要漏也不要多，写完之后先想一遍有没有遗漏的情况；32.第二步：计算每个取值对应的概率，算完之后立刻验证所有概率的和是否为1，如果和不为1，说明概率计算或者取值罗列有错误，立刻修正；43.第三步：套用期望公式计算，如果随机变量符合我们上面讲的四类常见分布，可以直接套用公式，节省时间。2典型例题解析我们来看2023年全国乙卷的一道真题：某厂家生产的产品按质量分为一等品、二等品、三等品，生产一件一等品的概率为0.6，二等品概率为0.3，三等品概率为0.1，一件一等品利润10元，二等品利润5元，三等品亏损2元，求生产一件产品的期望利润。按照三步法解题：第一，随机变量X（利润）的取值为10、5、-2；第二，对应概率分别为0.6、0.3、0.1，和为1，分布列正确；第三，计算期望$E(X)=10\times0.6+5\times0.3+(-2)\times0.1=7.3$元，即生产一件产品的平均利润为7.3元。3高频易错点梳理我改了10年的高考模拟卷，总结了三个最常见的丢分点，大家一定要规避：1.随机变量取值罗列错误：比如求“抽到次品的个数”时漏了取值0，或者把“利润”当成“销量”来写取值，这类低级错误只要写完后多检查一遍就能避免；2.概率计算错误：尤其是涉及排列组合的不放回抽样问题，很多同学会把有序和无序搞混，导致概率算错，验证概率和为1是最好的检查方法；3.乱用期望性质：比如没有验证两个变量独立就直接套用$E(XY)=E(X)E(Y)$，或者把非线性套用到线性性质里，这类错误只要记牢性质的适用条件就能避免。06核心内容总结ONE核心内容总结讲到这里，我们已经把离散型随机变量期望的全部核心内容梳理完毕，我再带大家做一次凝练总结：第一，离散型随机变量的期望是描述随机变量平均取值水平的数字特征，本质是以概率为权重的加权平均，是大量重复试验下观测值平均水平的极限，不是某个具体的取值；第二，期望的线性性质是简化计算的核心工具，线性变换的性质无条件成立，多个变量和的期望也无条件成立，但积的期望性质必须满足变量独立的前提，非线性运算不能套用线性性